[發(fā)明專利]不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法

在審

• 申請?zhí)枺?/td>: 202010416676.4
• 申請日: 2020-05-15
• 公開（公告）號: CN111626345A
• 公開（公告）日: 2020-09-04
• 發(fā)明（設計）人: 王藝瑋;周健;鄭聯(lián)語
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.不同軸承設備之間的深度卷積遷移學習故障診斷方法，其特征在于，包括以下步驟：

S1、將源域帶標簽樣本輸入深度卷積遷移學習模型中，獲得診斷輸出與樣本標簽的損失分類交叉熵，以此為目標函數預訓練模型的特征提取模塊和分類模塊；

S2、將等量源域標簽樣本和目標域無標簽樣本同時輸入到雙輸入深度卷積遷移學習模型中，獲得由源域樣本的診斷損失函數分類交叉熵和兩域特征的分布差異最大均值差異構成的總損失函數，凍結分類模塊精調模型特征提取模塊；

S3、取少量目標域標簽樣本輸入到深度卷積遷移學習模型中，獲得目標域樣本的分類交叉熵，凍結特征提取模塊，最小化該損失精調模型分類模塊；

S4、將目標域無標簽待測樣本輸入到訓練好的深度卷積遷移學習模型中，對目標軸承待測樣本進行狀態(tài)診斷，實現(xiàn)不同軸承設備之間的高精度遷移診斷。

2.如權利要求1所述的不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法，其特征在于，所述步驟S1中的深度卷積遷移學習模型包括特征提取模塊、分類模塊；

所述特征提取模塊包括四個特征提取單元：第一特征提取單元、第二特征提取單元、第三特征提取單元、第四特征提取單元；

第一特征提取單元包括順序連接的第一卷積層、第一池化層；

第二特征提取單元包括順序連接的第二卷積層、第二池化層、第二丟失層；

第三特征提取單元包括順序連接的第三卷積層、第三池化層；

第四特征提取單元包括順序連接的第四卷積層、第四池化層、第四丟失層；

四個特征提取單元順序連接，第一卷積層、第二卷積層、第三卷積層、第四卷積層均均搭配relu激活函數；

所述分類模塊包括展平層、第一全連接層、第二全連階層，所述第一全連接層搭配使用relu激活函數，所述第二全連接層即輸出層搭配使用softmax激活函數。

3.如權利要求2所述的不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法，其特征在于，所述步驟S1具體為：

S11、通過深度卷積遷移學習模型特征提取模塊的四個特征提取單元依次從低層到高層提取源域標簽樣本數據的特征，并將特征輸入到分類模塊；

S12、分類模塊對輸入特征進行全連接操作，配合激活函數得到對源域樣本特征的診斷輸出，進而求得其與對應標簽的損失；

S13、初始化各網絡層的權值開始訓練，以診斷結果與對應標簽的損失為目標函數優(yōu)化深度卷積遷移學習模型的特征提取和分類模塊網絡層的權值。

4.如權利要求1所述的不同軸承設備之間的多階段深度卷積遷移學習故障診斷方法，其特征在于，所述步驟S2具體為：

S21、修改深度卷積遷移學習模型為雙輸入雙輸出結構，接收源域標簽樣本數據和目標域無標簽樣本數據雙輸入，輸出對源域樣本的診斷結果和兩域特征分布最大均值差異雙輸出；

S22、凍結模型分類模塊，反傳由對源域樣本的診斷損失和兩域特征分布差異組成的總損失梯度，優(yōu)化特征提取模塊卷積層的權值；

S23、輸入源域和目標域樣本，輸出兩域特征分布的最大均值差異，以該值與零值標簽的平均絕對誤差為目標函數優(yōu)化分類模塊卷積層的權值，增強模型的遷移性能；

S24、輸入源域標簽樣本數據，輸出對源域樣本的診斷結果，以該結果與對應標簽的分類交叉熵為目標函數，優(yōu)化分類模塊卷積層的權值，保證模型在源域數據上的特征提取和分類性能。